Envision gazing at a spun image of a molecule. You, being a human, effortlessly acknowledge it as the same molecule, just flipped. However, from the perspective of a machine-learning model, that adjusted image could be interpreted as an entirely new and unexplored data point. This dilemma brings into focus one of the fundamental principles of computer science – symmetry. Defined technically, a molecule is ‘symmetric’ if its basic structure remains unaltered through transformations such as rotation.
Znaczenie symetrii staje się szczególnie widoczne w dziedzinie odkrywania leków. W tej dziedzinie niezdolność modeli uczenia maszynowego do rozpoznawania symetrii może prowadzić do błędnych przewidywań dotyczących zachowania molekularnego. Pomimo pewnych postępów, kwestia szkolenia modeli w celu skutecznego zarządzania symetrią w efektywny sposób wciąż pozostaje nierozwiązana. Jednak postępy poczynione przez zespół naukowców z MIT sugerują, że rozwiązanie może być wreszcie w zasięgu ręki.
Naukowcy zapoczątkowali pierwszą przekonująco skuteczną metodę uczenia modeli uczenia maszynowego, która respektuje symetrię. Przełom ten nie tylko zapewnia rozwiązanie długotrwałego wyzwania teoretycznego, ale także stanowi potencjalny przełom dla bardziej niezawodnych i precyzyjnych systemów sztucznej inteligencji. Potencjalne zastosowania obejmują różne dziedziny, takie jak materiałoznawstwo i modelowanie klimatu.
Moving further towards a nature-inspired approach, Behrooz Tahmasebi, an MIT graduate student and co-lead author of the study, elaborates, “These symmetries are crucial because they are types of information that nature is sharing about the data. This information should be incorporated into our machine-learning models. We’ve demonstrated that efficient machine learning with symmetric data is indeed feasible.”
Symetria występuje w naturalnych i fizycznych konfiguracjach. Model uczenia maszynowego, który interpretuje symetrię, może pozwolić na rozpoznanie obiektu, takiego jak na przykład samochód, niezależnie od jego położenia na obrazie. Brak tego zrozumienia może sprawić, że modele będą podatne na niedokładności, gdy napotkają nieznane, symetryczne dane.
Podejmowano próby rozwiązania tego problemu za pomocą metod takich jak powiększanie danych, które obejmuje tworzenie wielu przekształconych wersji tego samego punktu danych. Może to jednak wymagać dużych zasobów i nie zapewnia świadomości symetrii w modelu.
Ostatnie badania przeprowadzone przez zespół MIT miały na celu obejście tych ograniczeń. Naukowcy zastosowali podwójną strukturę łączącą algebrę i geometrię. Korzystając z technik algebraicznych, zmniejszyli złożoność zadania uczenia się, podczas gdy spostrzeżenia geometryczne ułatwiły uchwycenie prawdziwej istoty symetrii w danych. Ostatecznie doprowadziło ich to do sformułowania optymalnej równowagi, która waży zarówno dokładność, jak i wydajność.
This revolutionary advancement paves the way for a novel class of machine-learning models that are not only more accurate, but also more interpretable and resource-efficient. There’s now an opportunity to delve deeper into the internal mechanics of Graph Neural Networks (GNNs) and juxtapose it with this new algorithm.
Rzeczywiście, jak twierdzi Ashkan Soleymani, inny absolwent MIT i współautor, “Kiedy lepiej to zrozumiemy, będziemy mogli zaprojektować bardziej interpretowalne, solidne i wydajne architektury sieci neuronowych”.”
This trailblazing work was supported by the National Research Foundation of Singapore, DSO National Laboratories of Singapore, the U.S. Office of Naval Research, the U.S. National Science Foundation, and an Alexander von Humboldt Professorship. To dive further into this research, you’re invited to read the original article: MIT News: Nowe algorytmy umożliwiają efektywne uczenie maszynowe z symetrycznymi danymi.
This website uses cookies.